Python中Scrapy爬虫图片处理详解

转载  2017-11-29   投稿:laozhang   我要评论
这篇文章主要介绍了Python中Scrapy爬虫图片处理方式和原理,需要的朋友学习参考下吧。
利发国际手机客户端图片
利发国际手机客户端图片有两种方式,一种是通过 Requests 模块发送 get 请求利发国际手机客户端,另一种是使用 Scrapy 的 ImagesPipeline 图片管道类,这里主要讲后者。 安装 Scrapy 时并没有安装图像处理依赖包 Pillow,需手动安装否则运行爬虫出错。
首先在 settings.py 中设置图片的存储路径: IMAGES_STORE = 'D:/'
图片处理相关的选项还有:
# 图片最小高度和宽度设置,可以过滤太小的图片 IMAGES_MIN_HEIGHT = 110 IMAGES_MIN_WIDTH = 110 # 生成缩略图选项 IMAGES_THUMBS = { 'small': (50, 50), 'big': (270, 270), }
之前已经存在提取内容的 TuchongPipeline 类,如果使用 ImagePipeline 可以将提取内容的操作都合并过来,但是为了更好的说明图片管道的作用,我们再单独创建一个 ImagePipeline 类,加到 pipelines.py 文件中,同时重载函数 get_media_requests:
class PhotoGalleryPipeline(object): ... class PhotoPipeline(ImagesPipeline): def get_media_requests(self, item, info): for (id, url) in item['images'].items(): yield scrapy.Request(url)
上篇文章中我们把图片的URL保存在了 item['images'] 中,它是一个字典类型的数组,形如:[{img_id: img_url}, ...],此函数中需要把 img_url 取出并构建为 scrapy.Request 请求对象并返回,每一个请求都将触发一次利发国际手机客户端图片的操作。
到 settings.py 中注册 PhotoPipeline,并把优先级设的比提取内容的管道要高一些,保证图片利发国际手机客户端优先于内容处理,目的是如果有图片利发国际手机客户端未成功,通过触发 DropItem 异常可以中断这一个 Item 的处理,防止不完整的数据进入下一管道:
ITEM_PIPELINES = { 'Toutiao.pipelines.PhotoGalleryPipeline': 300, 'Toutiao.pipelines.PhotoPipeline': 200, }
执行爬虫 scrapy crawl photo ,如无错误,在设定的存储目录中会出现一个 full 目录,里面是利发国际手机客户端后的图片。 文件名处理
利发国际手机客户端的文件名是以图片URL通过 sha1 编码得到的字符,类似 0a79c461a4062ac383dc4fade7bc09f1384a3910.jpg 不是太友好,可以通过重载 file_path 函数自定义文件名,比如可以这样保留原文件名:
... def file_path(self, request, response=None, info=None): file_name = request.url.split('/')[-1] return 'full/%s' % (file_name) ...
上面这样处理难免会有重名的文件被覆盖,但参数 request 中没有过多的信息,不便于对图片分类,因此可以改为重载 item_completed 函数,在利发国际手机客户端完成后对图片进行分类操作。
函数 item_completed 的定义:
def item_completed(self, results, item, info)
参数中包含 item ,有我们抓取的所有信息,参数 results 为利发国际手机客户端图片的结果数组,包含利发国际手机客户端后的路径以及是否成功利发国际手机客户端,内容如下:
[(True, {'checksum': '2b00042f7481c7b056c4b410d28f33cf', 'path': 'full/0a79c461a4062ac383dc4fade7bc09f1384a3910.jpg', 'url': 'http://www.example.com/files/product1.pdf'}), (False, Failure(...))]
重载该函数将利发国际手机客户端图片转移到分类目录中,同时关联文件路径到 item 中,保持内容与图片为一个整体:
def item_completed(self, results, item, info): image_paths = {x['url'].split('/')[-1]: x['path'] for ok, x in results if ok} if not image_paths: # 利发国际手机客户端失败忽略该 Item 的后续处理 raise DropItem("Item contains no files") else: # 将图片转移至以 post_id 为名的子目录中 for (dest, src) in image_paths.items(): dir = settings.IMAGES_STORE newdir = dir + os.path.dirname(src) + '/' + item['post_id'] + '/' if not os.path.exists(newdir): os.makedirs(newdir) os.rename(dir + src, newdir + dest) # 将保存路径保存于 item 中(image_paths 需要在 items.py 中定义) item['image_paths'] = image_paths return item
接下来在原 TuchongPipeline 类中写入数据库的操作中,通过 item['image_paths'] 路径信息写入本地图片链接。 除了 ImagesPipeline 处理图片外,还有 FilesPipeline 可以处理文件,使用方法与图片类似,事实上 ImagesPipeline 是 FilesPipeline 的子类,因为图片也是文件的一种。

最新评论

利发国际手机客户端